【图像隐藏】基于LSB算法实现数字水印嵌入攻击提取含直方图附Matlab代码

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

物理应用             机器学习

🔥 内容介绍

数字水印是一种将信息嵌入到数字图像中的技术，用于版权保护、内容认证和图像取证等应用。本文介绍了一种基于最小有效位（LSB）算法的数字水印嵌入攻击提取方法，并提出了一个基于直方图的特征提取方法来提高提取的鲁棒性。

引言

数字水印嵌入攻击提取技术旨在从嵌入水印的图像中提取隐藏的信息。LSB算法是一种广泛使用的数字水印嵌入技术，它通过修改图像中像素的LSB来嵌入信息。然而，LSB算法容易受到攻击，攻击者可以通过修改LSB来破坏嵌入的水印。

LSB算法数字水印嵌入

LSB算法通过修改图像中像素的LSB来嵌入信息。对于每个像素，其LSB被替换为要嵌入的信息比特。例如，如果要嵌入比特“1”，则将像素的LSB设置为“1”。

LSB算法数字水印攻击提取

LSB算法数字水印攻击提取包括以下步骤：

1. **图像预处理：**对图像进行预处理，例如灰度化、去噪和锐化，以提高提取的鲁棒性。

2. **LSB提取：**遍历图像中的每个像素，并提取其LSB。提取的LSB序列就是嵌入的信息。

3. **后处理：**对提取的信息进行后处理，例如错误纠正和译码，以恢复原始信息。

基于直方图的特征提取

为了提高LSB算法数字水印提取的鲁棒性，本文提出了一个基于直方图的特征提取方法。该方法将提取的LSB序列划分为多个子块，并计算每个子块的直方图。直方图反映了LSB序列中不同比特值的分布，可以用来区分嵌入的水印和攻击噪声。

实验结果

本文在不同图像数据集上对提出的方法进行了实验。实验结果表明，基于直方图的特征提取方法可以显著提高LSB算法数字水印提取的鲁棒性。该方法能够有效地提取嵌入的水印，即使图像受到攻击。

结论

本文介绍了一种基于LSB算法的数字水印嵌入攻击提取方法，并提出了一个基于直方图的特征提取方法来提高提取的鲁棒性。实验结果表明，提出的方法可以有效地提取嵌入的水印，即使图像受到攻击。该方法可以应用于版权保护、内容认证和图像取证等领域。

📣 部分代码

function varargout=watermark_k(varargin)%Questa funzione inserisce un watermark di caratteri (stringa) all'interno%di una immagine passata come argomento di input. E' possibile specificare%anche una chiave numerica tra gli argomenti di input.%Sono abbilgatori almeno due parametri di input:%               [img_w,str]=watermark_k(img,stringa);%Restituisce l'immagine watermarked "img_w" ed una opzionale stringa di%errore "str". Accetta in ingresso l'immagine sulla quale effettuare il%watermarking e la stringa da inserire. E' possibile aggiungere un terzo%parametro di input che ne rappresenta la chiave numerica:%                   watermark_k(img,stringa,key);​​if length(varargin)<2           %Controllo il numero di parametri passati in input    returnelseif length(varargin)==3      %Se ?stato specificato un terzo parametro:    rand('seed',varargin{3});   %Fisso il seme della funzione randend​img=varargin{1};                %Acquisisco il primo parametro di inputstringa=varargin{2};            %Acquisisco il secondo parametro di input​​im=img(:);                      %Importo l'immagine in un unico vettore colonnaif (length(stringa)+1)<=(length(im)/8)              %Controllo se la dimensione dell'immagine ?sufficiente a ospitare la stringa    im=bitand(im,uint8(ones(length(im),1)*254));    %Setto a 0 il bit meno significativo di ogni elemento di im    t_im=uint8(zeros(length(im),1));                %Creo un vettore di appoggio per apportare momentaneamente le modifiche        if length(varargin)==3      %Controllo se ?presente una key:        k=randperm(length(im)); %Creo un vettore di indici utilizzano randperm    end        for i=1:length(stringa)     %Per ogni carattere della stringa:        for j=1:8                                   %Per ogni bit del singolo carattere:            if length(varargin)==3                  %Controllo se ?presenre una key:                index=k((i-1)*8 + j);               %Calcolo l'indice del pixel da modificare            else                                    %Se non ?presente la key:                index=(i-1)*8 + j;                  %Calcolo l'indice del pixel da modificare            end            b=bitget(uint8(stringa(i)),j);          %Acquisisco il j-esimo bit dell'i-esimo carattere            if(b==1)                                %Se ?pari a 1:                t_im(index)=bitset(t_im(index),1);  %Setto il bit meno significato del pixel indicato da index            end        end    end        %Inserimento di un carattere tappo (fine stringa).    for j=1:8                                       %Per ogni bit del carattere tappo            if length(varargin)==3                  %Controllo se si utilizza una key:                index=k(length(stringa)*8 + j);     %Calcolo l'indice            else                index=length(stringa)*8 + j;        %Calcolo l'indece senza key            end            t_im(index)=bitset(t_im(index),1);      %Aggiorno i bit di t_im    end​    r_im=bitor(im,t_im);                            %Effettuo una or bit a bit tra vettore di appoggio e vettore immagine    [x,y,z]=size(img);                              %Acquisisco le dimensioni dell'immagine    img_w=reshape(r_im,x,y,z);                      %Ricostruisco l'immagine watermarked        varargout{1}=img_w;                             %Restituisco img_w    varargout{2}='WATERMARK INSERITO!';             %Non restituisco errori    else                                                %Nel caso la dimensione dell'immagine non ?sufficiente a contenere "stringa":        varargout{2}='Stringa troppo lunga per l''immagine selezionata!';       %Restituisco un errore end​end

⛳️ 运行结果

🔗 参考文献

[1] 孙祥余.基于可逆信息隐藏的免疫数字水印研究[D].重庆大学[2024-03-15].DOI:10.7666/d.y2154437.

[2] 孙祥余.基于可逆信息隐藏的免疫数字水印研究[D].重庆大学,2013.

[3] 曾宪庭.基于图像的无损信息隐藏技术研究[D].浙江大学,2011.DOI:CNKI:CDMD:1.1011.056714.

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合